드리프팅 데이터 스트림에서의 집중적 클래스 불균형 학습

스트리밍 데이터 분석은 두 가지 주요 도전 과제에 직면해 있습니다: 개념 드리프트와 클래스 불균형. 가상 드리프트와 클래스 불균형의 동시 발생은 전용 솔루션이 필요한 일반적인 현실 시나리오입니다. 본 논문은 가상 드리프팅 데이터 스트림을 위한 새로운 지도 분류 방법인 집중적 클래스 불균형 학습(ICIL)을 제시합니다. ICIL은 특성 민감한 변화 감지 방법을 통해 가상 드리프트를 감지할 수 있게 합니다. 시간에 따라 데이터를 조정하여 클래스 내 불균형, 중복 및 소표본 크기 문제를 해결합니다. 성능 향상을 위한 가중치 투표 앙상블이 제안되며, 여기서는 최근 성과에 따라 구성원 분류기의 가중치가 지속적으로 업데이트됩니다. 제안된 방법의 효능을 입증하기 위해 14개의 합성 및 실제 데이터 스트림에 대한 실험이 수행되었습니다. 11개의 최신 방법에 대한 비교 분석 결과, 제안된 방법이 G-mean 지표에서 14개 데이터 스트림 중 9개에서 다른 방법들을 능가하는 것으로 나타났습니다.